|
Maschinelles Lernen für Zeitreihen (MLTS)5 ECTS (englische Bezeichnung: Machine Learning for Time Series)
(Prüfungsordnungsmodul: Maschinelles Lernen für Zeitreihen)
Modulverantwortliche/r: Björn Eskofier, Oliver Amft Lehrende:
Björn Eskofier, Oliver Amft
weitere Studienfächer/Prüfungsordnungsmodule:
Einfrieren der UnivIS-Modul-Beschreibung: 31.10.2019
Wahlmodulbereich aus der FAU (81069)
Start semester: |
WS 2019/2020 | Duration: |
1 semester | Cycle: |
jährlich (WS) |
Präsenzzeit: |
60 Std. | Eigenstudium: |
90 Std. | Language: |
Englisch |
Lectures:
-
-
Maschinelles Lernen für Zeitreihen
(Vorlesung, 2 SWS, Björn Eskofier et al., Wed, 8:15 - 9:45, 00.010)
-
Maschinelles Lernen für Zeitreihen Übung
(Übung, 2 SWS, Nooshin Haji Ghassemi et al., Tue, 10:15 - 11:45, CIP-Pool MB Konrad-Zuse-Str. 3; Please organise a login for the CIP-Maschinenbau to participate in this exercise: http://www.cip.mb.uni-erlangen.de/main.phtml?standort=pgs&sub=pgs&page=inside)
Empfohlene Voraussetzungen:
It is recommended to finish the following modules before starting this module:
Pattern Analysis (SS 2019)
Introduction to Pattern Recognition (WS 2018/2019)
Pattern Recognition (WS 2018/2019)
Inhalt:
Die Vorlesung vermittelt Konzepte des Maschinellen Lernens speziell im Hinblick auf Anwendungen bei Zeitreihen. Es handelt sich hier um eine Spezialisierungsvorlesung, eine erfolgreiche Absolvierung der Vorlesungen „IntroPR“ und/oder „Pattern Recognition“/“Pattern Analysis“ wird empfohlen. Konzepte, die in „IntroPR“ vermittelt werden, werden hier als Grundwissen vorausgesetzt.
Die folgenden Themen werden in der Vorlesung behandelt:
Ein Überblick über die Anwendungsgebiete der Zeitreihenanalyse
Methodische Grundlagen des Maschinellen Lernens (ML) für die Analyse von Zeitreihen, beispielsweise Gauß-Prozesse, Monte-Carlo Sampling und Deep Learning
Design, Implementierung und Evaluation von ML Methoden, um Probleme in Zeitreihen zu adressieren
Arbeitstechniken in bekannten Toolboxen zur Implementierung von relevanten Methoden, beispielsweise Tensorflow/Keras
Content
Aim of the lecture is to teach Machine learning (ML) methods for a variety of time series applications. The following topics will be covered:
An overview of applications of time series analysis
Fundamentals of Machine learning (ML) methods, such as Gaussian processes, Monte Carlo sampling methods and deep learning, for time series analysis
Design, implementation and evaluation of ML methods in order to address time series problems
Working with widely-used toolboxes that can be used for implementation of ML methods, such as Tensorflow or Keras
Lernziele und Kompetenzen:
- Die Studierenden sollen ein Verständnis für Zeitreihenprobleme und deren Lösungen in Applikationsgebieten der Industrie, Medizin, dem Finanzwesen, etc. entwickeln
Die Studierenden erlernen Konzepte des Maschinellen Lernens im Allgemeinen und deren Anwendung auf Zeitreihen im Besonderen
Die Studierenden erlernen die Charakteristika von Zeitreihendaten und werden zur Entwicklung und Implementierung von ML-Methoden angeleitet, um solche Daten in konkreten Fragestellungen zu modellieren, manipulieren und vorherzusagen.
Learning Objectives
Students develop an understanding of concepts of time series problems and their wide applications in industry, medicine, finance, etc.
Students learn concepts of machine learning (ML) methods in general and tackling time series problems in particular
Students understand the characteristics of time series data and will be capable of developing and implementing ML methods to model, predict and manipulate such data in concrete problems
Studon: https://www.studon.fau.de/studon/goto.php?target=crs_2202195
Literatur:
- Machine Learning: A Probabilistic Perspective, Kevin Murphy, MIT press, 2012
The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Trevor Hastie, Robert Tibshirani, Jerome Friedman, Springer, 2009
Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville, MIT Press, 2016
Reinforcement Learning: An Introduction, Richard S. Sutton and Andrew G. Barto, MIT press, 1998
Verwendbarkeit des Moduls / Einpassung in den Musterstudienplan:
- Communications and Multimedia Engineering (Master of Science)
(Po-Vers. 2011 | TechFak | Communications and Multimedia Engineering (Master of Science) | Gesamtkonto | Wahlmodule | Technische Wahlmodule | Maschinelles Lernen für Zeitreihen)
Dieses Modul ist daneben auch in den Studienfächern "Advanced Signal Processing & Communications Engineering (Master of Science)", "Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science)", "Elektrotechnik, Elektronik und Informationstechnik (Bachelor of Science)", "Elektrotechnik, Elektronik und Informationstechnik (Master of Science)", "Informatik (Bachelor of Science)", "Informatik (Master of Science)", "Mathematik (Bachelor of Science)", "Medizintechnik (Master of Science)" verwendbar. Details
Studien-/Prüfungsleistungen:
Maschinelles Lernen für Zeitreihen (Prüfungsnummer: 428256)
(englischer Titel: Machine Learning for Time Series)
zugeh. "mein campus"-Prüfung: | - 428256 Maschinelles Lernen für Zeitreihen (Gewichtung: 100.0 %, Prüfung, Form: mündliche Prüfung, Drittelnoten (mit 4,3), Dauer: -, 5 ECTS, Prüfung).
|
- Prüfungsleistung, mündliche Prüfung, Dauer (in Minuten): 30, benotet
- Anteil an der Berechnung der Modulnote: 100.0 %
- Prüfungssprache: Deutsch oder Englisch
- Erstablegung: WS 2019/2020, 1. Wdh.: SS 2020
1. Prüfer: | Björn Eskofier (100122) |
- Termin: 23.03.2021, 13:00 Uhr, Ort: H 7 TechF
Termin: 30.09.2021, 08:00 Uhr, Ort: H 8 TechF
|
|
|